CN112152731B - 一种基于分形维数的无人机探测与识别方法 - Google Patents
一种基于分形维数的无人机探测与识别方法 Download PDFInfo
- Publication number
- CN112152731B CN112152731B CN202010932316.XA CN202010932316A CN112152731B CN 112152731 B CN112152731 B CN 112152731B CN 202010932316 A CN202010932316 A CN 202010932316A CN 112152731 B CN112152731 B CN 112152731B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- signal
- signals
- fractal dimension
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64C—AEROPLANES; HELICOPTERS
- B64C39/00—Aircraft not otherwise provided for
- B64C39/02—Aircraft not otherwise provided for characterised by special use
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
- H04B1/0003—Software-defined radio [SDR] systems, i.e. systems wherein components typically implemented in hardware, e.g. filters or modulators/demodulators, are implented using software, e.g. by involving an AD or DA conversion stage such that at least part of the signal processing is performed in the digital domain
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Aviation & Aerospace Engineering (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种基于分形维数的无人机探测与识别方法,属于无人机探测技术领域,包括信号接收模块、信号处理模块,适用于无人机探测与分类识别领域,其主要思路为:使用软件无线电射频子板连接2.4GHz定向天线接收无线信号;判断接收信号的幅值是否稳定大于预设阈值来检测无人机信号,若是,对信号进行Haar小波变换并提取出有效无人机信号,计算无人机信号分形维数作为该无人机设备的特征“指纹”,最后使用分类识别算法对无人机进行分类识别。
Description
技术领域
本发明属于无人机探测与识别领域,具体提出一种无人机探测与识别方法。
背景技术
当今社会,民用无人机得到了广泛应用,在给社会带来便利的同时,由无人机失控引发的意外伤害也逐渐变多,因此,需要一种机制对无人机进行探测识别,区分出违法的无人机,提高管控效率。
当前无人机探测方法主要有雷达探测、音频探测、视频探测、红外探测等。雷达探测方法是利用雷达扫描技术,根据电磁波在经过不同传输介质时产生的反射波现象来实现对无人机的探测,但是该技术对设备要求较高,成本较大,并且无人机散射面积较小,不易于探测。音频探测是利用无人机飞行时,其电机工作和旋翼震动产生的“音频指纹”来识别无人机。视频探测是利用高清摄像机获取无人机图像,并与数据库进行匹配来完成无人机探测。红外侦测是利用目标的热红外反射,采用红外热成像仪传感器组合来进行无人机侦测。但是在使用音频探测、视频探测和红外探测时,受环境干扰较大,当环境较恶劣时,会导致识别精度不高。
本发明提出的基于分形维数的无人机探测与识别技术使用的设备较简单,且识别精度高。所谓分形维数,是指部分在某种程度上(形态,结构,时间,能量等)与整体的相似性,可以定量地描述信号的不均匀程度,区分出信号的微弱差别。它打破了简单的和复杂的,混乱的和规则的,整体的与部分的,有序的和无序的限制,为信号的分类提供了可能。因此基于分形维数的无人机探测与识别具有极大的可行性,从而可以提高无人机的管控效率。
发明内容
本发明的目的是提供一种基于分形维数的无人机探测与识别方法,可以有效解决当下无人机探测与识别设备***复杂、识别效率低的问题。
本发明提供了如下的技术方案:
一种基于分形维数的无人机探测与识别方法,该技术方案包括:
信号接收模块,通过软件无线电子板连接2.4GHz定向天线采集无线信号。
信号处理模块,对存储的无线信号进行分析处理,首先实现无人机的探测,其次提取无人机信号的分形维数作为无人机的特征指纹,最后对无人机进行分类识别。
一种基于分形维数的无人机探测和识别方法,包括步骤如下:
步骤1,使用软件无线电子板连接2.4GHz定向天线采集无线信号并存储。
步骤2,基于步骤1得到的信号进行分析处理,取无无人机环境下的信号幅值最大值作为阈值σ,若接收信号的幅值δ稳定大于预设阈值σ,则将该信号作为无人机信号,完成无人机的探测。
步骤3,基于步骤2得到的无人机信号进行一维离散Haar小波变换,经过Haar小波变换后的信号不仅可以保留原始信号的波形特征,同时可以减少数据量,降低计算量。最后去除小波变换后信号中低于阈值σ的部分得到有效无人机信号。
步骤4,基于步骤3得到的有效无人机信号进行数据采集,分为离线阶段和在线阶段。离线阶段:使用Higuchi算法提取无人机信号的分形维数特征,将提取的分形维数特征数据和代表该无人机类别的标签作为训练数据进行存储;在线阶段:提取步骤3得到的有效无人机信号的分形维数特征,作为测试数据并存储。
步骤5,基于步骤4得到的训练数据和测试数据,利用K最近邻算法对无人机进行分类识别。
优选的,特征提取算法之Higuchi算法,包括以下步骤:
S1:提取一段有限的无人机信号时间序列:y(1),y(2),…,y(i),…,y(N),其中i=1,2,…,N,N是时间序列中的点数。根据此序列构建一个新的无人机信号时间序列y(m,k)={y(m),y(m+k),y(m+2k)...y(m+[(N-m)%k]*k)},其中m=1,2,…,k,k=1,2,…,kmax,m代表初始时间,k代表间隔时间。
S4:如果L(k)∝k-FD,则说明该曲线是维数为FD的分形曲线,此时ln(L(k))与ln(k)的关系曲线应该分布在斜率为FD的直线上,通过最小二乘线性最佳拟合方法计算出FD的值,即成功提取出该无人机信号的分形维数特征。
优选的,无人机分类识别算法之K最近邻算法,包括以下步骤:
S1:加载无人机的训练数据X和测试数据Y,并指定K的值为k。
S2:基于S1的数据X和Y,归一化数据得到新训练数据X'和新测试数据Y',归一化公式为T′=(T-minT)/(maxT-minT),其中T是原始数据,T'为T归一化后数据,maxT和minT分别为T中的最大值和最小值。
S3:基于S2中数据X'和Y',选取Y'中数据y,计算y到X'中数据xi的欧式距离di,其中i=(1,2,...n),n为X'中数据的总个数。
S4:基于S3中得到的欧式距离di,对di进行升序排序,得到距离集D=(d1,d2,...,dn),n为X'中数据的总个数。
S5:基于S4中的距离D,选取D中前k个欧氏距离分别对应到训练数据X'中的数据点x”。
S6:基于S5中的数据x”,将x”中出现频率最高的类别label作为测试数据Y的类别,并且通过测试不同的K值使识别率达到最高,此时的k为最佳k值。将所得结果label作为待测试无人机的类别,即完成了无人机的分类识别。
有益效果
本发明的有益效果在于:本发明首先使用软件无线电射频子板连接2.4GHz定向天线天线接收2.412GHz到2.472GHz不同频点的无线信号,对接收的信号进行预处理;通过对比接收信号的幅值是否稳定大于预设阈值σ来检测无人机信号;对信号进行Haar小波变换并提取出有效无人机信号,使用Higuchi算法提取信号分形维数作为该无人机设备特征;最后使用K最近邻算法来实现无人机的分类识别。其中,本发明中提取的分形维数特征可以区分出信号的微弱差别,从而实现不同无人机的分类识别。K最近邻算法中选用欧式距离作为距离度量方式,并通过设置不同的K值来使算法的识别率达到最高,解决了基于现有的无人机探测与识别设备中***复杂、识别效率低的问题。
附图说明
图1为本发明中无人机探测与识别方法流程示意图;
图2为本发明中Haar小波变换原理示意图;
具体实施方式
下面结合附图对本发明作进一步说明:
本发明提供了一种基于分形维数的无人机探测与识别方法,可应用于无人机探测与识别***,该***具体包括:信号接收模块、信号处理模块。
如图1所示,一种基于分形维数的无人机探测与识别方法,该方法具体包括以下步骤:
步骤1,使用软件无线电射频子板连接2.4GHz定向天线采集无线信号并存储。
步骤2,基于步骤1得到的信号进行分析处理,取无无人机环境下的信号幅值最大值作为阈值σ,若接收信号的幅值δ稳定大于预设阈值σ,则将该信号作为无人机信号,完成无人机的探测。
步骤3,基于步骤2得到的无人机信号进行一维离散Haar小波变换,Haar小波变换的原理图(以2-level为例)如图2所示:输入无人机信号x[n]在第一级中分别经过低通滤波器h[n]和高通滤波器g[n],再进行下采样得到细节系数d1[n]和近似系数a1[n],在第二级中将a1[n]作为输入信号进行与第一级中同样的处理得到细节系数d2[n]和近似系数a2[n],则a2[n]即为输入信号x[n]经过2-levelHaar小波变换后的输出信号y[n]。经过Haar小波变换后的信号不仅可以保留原始信号的波形特征,同时可以减少数据量,从而降低计算量。最后去除小波变换后信号中低于阈值σ的部分得到有效无人机信号。
步骤4,基于步骤3得到的有效无人机信号进行特征数据采集,具体步骤为:(1)提取一段有限的无人机信号时间序列:y(1),y(2),…,y(i),…,y(N),其中i=1,2,…,N,N是时间序列中的点数。由此序列构建新无人机信号时间序列y(m,k)={y(m),y(m+k),y(m+2k)...y(m+[(N-m)%k]*k)},其中m=1,2,…,k,k=1,2,…,kmax,m代表初始时间,k代表间隔时间。(2)y(m,k)中每条曲线的长度其中N是数据序列的总长度,N-1/[(N-m)%k]*k代表曲线长度Lm(k)的归一化因子。(3)计算每k条曲线的平均长度(4)画出ln(L(k))与ln(k)的关系曲线,并使用最小二乘线性最佳拟合方法计算出信号的分形维数FD,则FD的值即为所求无人机信号特征。(5)将采集的特征数据分为训练数据和测试数据并分别存储。
步骤5,基于步骤4得到的无人机信号训练数据和测试数据,使用K最近邻算法对无人机进行分类识别。具体步骤为:(1)对数据集进行归一化,得到新训练数据X'和新测试数据Y',归一化公式为T′=(T-minT)/(maxT-minT),其中T是原始数据,T'为T归一化后数据,maxT和minT分别为T中的最大值和最小值。(2)选取测试数据Y'中的数据y,计算y到X'中数据xi的欧式距离di,其中i=(1,2,…n),n为X'中数据的总个数。对di进行升序排序,得到距离集D=(d1,d2,...,dn),n为X'中数据的总个数。(3)选取D中前k个欧氏距离分别对应训练集X'中的数据点x”,将x”中出现频率最高的类别label作为测试数据Y的类别,并且通过测试不同的k值使识别率达到最高,此时的k为最佳k值。将所得结果label作为待测试无人机的类别,即完成了无人机的分类识别。
Claims (1)
1.一种基于分形维数的无人机探测与识别方法,该方法分为五个步骤:
步骤1,使用软件无线电子板连接2.4GHz定向天线采集无线信号并存储;
步骤2,基于步骤1得到的信号进行分析处理,取无无人机环境下的信号幅值最大值作为阈值σ,若接收信号的幅值δ稳定大于预设阈值σ,则将该信号作为无人机信号,完成无人机的探测;
步骤3,基于步骤2得到的无人机信号进行一维离散Haar小波变换,经过Haar小波变换后的信号不仅可以保留原始信号的波形特征,同时可以减少数据量,降低计算量,最后去除小波变换后信号中低于阈值σ的部分得到有效无人机信号;
步骤4,基于步骤3得到的有效无人机信号进行数据采集,分为离线阶段和在线阶段,离线阶段:使用Higuchi算法提取无人机信号的分形维数特征,将提取的分形维数特征数据和代表该无人机类别的标签作为训练数据进行存储;在线阶段:提取步骤3得到的有效无人机信号的分形维数特征,作为测试数据并存储;
步骤5,基于步骤4得到的训练数据和测试数据,利用K最近邻算法对无人机进行分类识别;
其特征在于,所述步骤4中Higuchi算法具体为:
S1:提取一段有限的无人机信号时间序列:y(1),y(2),…,y(i),…,y(N),其中i=1,2,…,N,N是时间序列中的点数,根据此序列构建一个新的无人机信号时间序列y(m,k)={y(m),y(m+k),y(m+2k)...y(m+[(N-m)%k]*k)},其中m=1,2,…,k,k=1,2,…,kmax,m代表初始时间,k代表间隔时间;
S4:如果L(k)∝k-FD,则说明该曲线是维数为FD的分形曲线,此时ln(L(k))与ln(k)的关系曲线应该分布在斜率为FD的直线上,通过最小二乘线性最佳拟合方法计算出FD的值,即成功提取出该无人机信号的分形维数特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010932316.XA CN112152731B (zh) | 2020-09-08 | 2020-09-08 | 一种基于分形维数的无人机探测与识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010932316.XA CN112152731B (zh) | 2020-09-08 | 2020-09-08 | 一种基于分形维数的无人机探测与识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112152731A CN112152731A (zh) | 2020-12-29 |
CN112152731B true CN112152731B (zh) | 2023-01-20 |
Family
ID=73889422
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010932316.XA Active CN112152731B (zh) | 2020-09-08 | 2020-09-08 | 一种基于分形维数的无人机探测与识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112152731B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113593187A (zh) * | 2021-07-26 | 2021-11-02 | 吉林大学 | 一种用于区域安防的地震动异常感知方法 |
CN115225172B (zh) * | 2022-06-28 | 2024-05-03 | 珠海云洲智能科技股份有限公司 | 对无线电信号的侦测方法、装置、控制设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106646165A (zh) * | 2016-12-23 | 2017-05-10 | 西安交通大学 | 一种gis内部绝缘缺陷分类与定位方法及其*** |
CN108353081A (zh) * | 2015-09-28 | 2018-07-31 | 13部门有限公司 | 无人机入侵检测和对抗 |
CN109165545A (zh) * | 2018-07-05 | 2019-01-08 | 上海电机学院 | 一种新的基于分形维数的信号特征提取方法 |
CN110958199A (zh) * | 2019-12-03 | 2020-04-03 | 上海电机学院 | 一种基于多维特征提取的通信调制信号识别方法 |
CN111007871A (zh) * | 2019-11-29 | 2020-04-14 | 厦门大学 | 无人机动态特征识别方法、介质、设备及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6439682B2 (ja) * | 2013-04-11 | 2018-12-19 | 日本電気株式会社 | 信号処理装置、信号処理方法および信号処理プログラム |
-
2020
- 2020-09-08 CN CN202010932316.XA patent/CN112152731B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108353081A (zh) * | 2015-09-28 | 2018-07-31 | 13部门有限公司 | 无人机入侵检测和对抗 |
CN106646165A (zh) * | 2016-12-23 | 2017-05-10 | 西安交通大学 | 一种gis内部绝缘缺陷分类与定位方法及其*** |
CN109165545A (zh) * | 2018-07-05 | 2019-01-08 | 上海电机学院 | 一种新的基于分形维数的信号特征提取方法 |
CN111007871A (zh) * | 2019-11-29 | 2020-04-14 | 厦门大学 | 无人机动态特征识别方法、介质、设备及装置 |
CN110958199A (zh) * | 2019-12-03 | 2020-04-03 | 上海电机学院 | 一种基于多维特征提取的通信调制信号识别方法 |
Non-Patent Citations (3)
Title |
---|
"Emotion Classification Using Single-Channel EEG";Bhargavi R等;《2019 International Conference on Computing, Power and Communication Technologies》;20191227;全文 * |
"基于脑电信号的导联筛选及可解释情绪分类模型研究";刘博翰;《中国优秀博硕士学位论文全文数据库(硕士)》;20200215;全文 * |
"基于通信信号指纹的无人机个体识别";严丹莉;《中国优秀博硕士学位论文全文数据库(硕士)》;20200715;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112152731A (zh) | 2020-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112152731B (zh) | 一种基于分形维数的无人机探测与识别方法 | |
CN111428631B (zh) | 无人机飞控信号可视化识别分选方法 | |
CN111488801A (zh) | 基于振动噪声识别的船舶分类方法 | |
CN112364768B (zh) | 一种基于空域特征和机器学习的分布式光纤入侵识别方法 | |
US20100061630A1 (en) | Specific Emitter Identification Using Histogram of Oriented Gradient Features | |
CN115061113B (zh) | 用于雷达的目标检测模型训练方法、装置及存储介质 | |
CN110599800A (zh) | 一种停车场车位状态监测***及监测方法 | |
Zhang et al. | Vehicle classification based on feature selection with anisotropic magnetoresistive sensor | |
CN111666848B (zh) | 运输车辆到站检测方法、装置、设备及存储介质 | |
CN115508821A (zh) | 一种多源融合无人机智能探测*** | |
CN110764152B (zh) | 一种无人机快速检测与识别的装置及方法 | |
US8189860B2 (en) | Systems and methods of using spatial/spectral/temporal imaging for hidden or buried explosive detection | |
CN101916439B (zh) | 基于希尔伯特-黄变换的空间碎片高光谱序列探测方法 | |
CN110412609B (zh) | 一种多脉冲激光雷达目标检测方法 | |
CN115859078A (zh) | 一种基于改进Transformer的毫米波雷达跌倒检测方法 | |
CN113177097B (zh) | 一种基于属性聚类与时空约束的航迹起始判别方法 | |
CN112883895A (zh) | 基于自适应加权pca的非法电磁信号检测方法及其实现*** | |
US9354265B2 (en) | Vehicle identification system and method | |
CN112162271A (zh) | 一种微波雷达在多场景下的车型识别方法 | |
CN117665807A (zh) | 基于毫米波多人零样本的人脸识别方法 | |
CN111652063A (zh) | 一种探地雷达的灰度堆积图识别方法 | |
Ji et al. | An automatic bad band pre-removal method for hyperspectral imagery | |
CN116894223A (zh) | 一种基于自适应对消与ResNet神经网络的机载水下异常检测方法 | |
CN108549076B (zh) | 一种基于速度节奏图的多种类无人机场景识别方法 | |
CN112686880B (zh) | 一种铁路机车部件异常检测的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |